Prevedere la data della morte: l'ultima "magia" dell'intelligenza artificiale
Avere la possibilità di prevedere la morte prematura: il peggior incubo per un essere umano, ma anche un significativo passo avanti della scienza. Il risultato a cui sono arrivati i ricercatori dell'università di Nottingham apre molteplici scenari
Un passo avanti nella ricerca, ma anche il peggior incubo per un essere umano: avere la possibilità di prevedere la morte prematura. È il risultato a cui sono arrivati i ricercatori dell'università di Nottingham che hanno realizzato un sistema di algoritmi 'machine learning' che permette di predire, con buona precisione, il rischio di mortalità per malattie croniche all'interno di una popolazione.
Questo sistema di intelligenza artificiale, attraverso l'algoritmo Deep Learning, si è dimostrato più preciso rispetto alle previsioni fatte da esperti umani.
Artificial intelligence can predict the risk of premature death, says a new study by our healthcare data experts https://t.co/GMYZikjHip @MedicineUoN #AI #algorithms pic.twitter.com/hq0T3qHlwO
— UoN Press Office (@UoNPressOffice) 28 marzo 2019
I computer hanno 'imparato' a fare previsioni analizzando i dati biologici, riferiti al periodo 2006- 2010, di oltre mezzo milione di persone di età compresa fra 40 e 69 anni, presenti nella Uk Biobank.
La previsione di decesso legate a più malattie differenti è estremamente complessa e sono molti i fattori di cui tenere conto.
"Abbiamo fatto un grande passo avanti con la possibilità di predire la morte prematura attraverso l'intelligenza artificiale", ha spiegato Stephen F. Weng, coordinatore dello studio, secondo il quale questi algoritmi giocheranno un ruolo essenziale nello sviluppo di strumenti necessari per lo sviluppo della medicina personalizzata.
Overall Rank |
Variable |
Mean Decrease in Accuracy |
1 |
BMI |
45.75 |
2 |
FEV1 |
42.98 |
3 |
Waist circumference |
36.61 |
4 |
Diastolic blood pressure |
36.23 |
5 |
Systolic blood pressure |
36.23 |
6 |
Age |
35.36 |
7 |
Body fat percentage |
30.05 |
8 |
Cigarettes per day |
23.58 |
9 |
Prior dx cancer |
21.33 |
10 |
Gender |
19.92 |
11 |
Skin tone |
15.90 |
12 |
Education |
14.77 |
13 |
Prior dx T2DM |
14.23 |
14 |
Vegetable consumption |
12.82 |
15 |
Fruit consumption |
12.54 |
16 |
Metformin prescribed |
11.11 |
17 |
Processed meat consumption |
10.70 |
18 |
Cereal consumption |
9.60 |
19 |
Fish consumption |
9.60 |
20 |
Beef consumption |
9.01 |
21 |
Alcohol consumption |
8.52 |
22 |
Pork consumption |
8.35 |
23 |
Aspiring consumption |
8.18 |
24 |
Ease of skin tanning |
7.89 |
25 |
Cheese consumption |
7.35 |
26 |
MET-min per week |
7.31 |
27 |
Statins prescribed |
6.97 |
28 |
Digoxin prescribed |
6.92 |
29 |
Type of milk used |
6.59 |
30 |
Townsend deprivation score |
6.38 |
31 |
Vitamin supplements |
5.73 |
32 |
Prior dx CHD |
4.90 |
33 |
Sunscreen usage |
4.81 |
34 |
Warfarin prescribed |
4.46 |
35 |
Prior dx stroke/TIA |
4.27 |
36 |
Residential air pollution |
3.92 |
37 |
Environmental tobacco smoke |
2.91 |
38 |
Salt added to food |
2.84 |
39 |
Family history prostate cancer |
2.39 |
40 |
Oral contraceptives prescribed |
2.28 |
41 |
HRT prescribed |
1.60 |
42 |
Prior dx Crohn's disease |
1.52 |
43 |
Prior dx coeliac disease |
1.14 |
44 |
Beta-carotene supplements |
0.57 |
45 |
Smoking |
0.54 |
46 |
Family history colorectal cancer |
0.53 |
47 |
Previously had h. pylori infection |
0.16 |
48 |
Prior dx prostate disease |
-0.28 |
49 |
Family history of breast cancer |
-0.34 |
50 |
Blood pressure treatment |
-0.57 |
51 |
Prior dx hyperplasia |
-1.26 |
52 |
Prior dx bowel polyps |
-1.47 |
53 |
Family history of lung cancer |
-1.91 |
54 |
Prior dx thyroid disease |
-2.27 |
55 |
Prior dx COPD |
-3.06 |
56 |
Prior dx acid reflux |
-3.61 |
57 |
Previously had radiotherapy |
-4.34 |
58 |
Job exposure to hazardous materials |
-12.32 |